添加AI代理模块

api/agents/__init__.py

@@ -0,0 +1,11 @@
+"""
+Agent 模块
+"""
+from .conversation_agent import ConversationAgent
+from .memory_agent import MemoryAgent
+
+__all__ = [
+    "ConversationAgent",
+    "MemoryAgent",
+]
+

api/agents/conversation_agent.py

@@ -0,0 +1,155 @@
+"""
+对话 Agent：基于访谈问题清单，动态选择问题，实时生成回应
+"""
+import os
+from typing import List, Optional
+
+from langchain.chains import ConversationChain
+from langchain.memory import ConversationBufferMemory
+from langchain.prompts import PromptTemplate
+from langchain_openai import ChatOpenAI
+
+from .prompts import ConversationStage, get_conversation_prompt
+
+
+class ConversationAgent:
+    """对话 Agent"""
+    
+    def __init__(self):
+        # 初始化 LLM（使用环境变量配置）
+        # 优先使用 LLM_API_KEY 和 LLM_BASE_URL，如果没有则使用 OPENAI_API_KEY
+        api_key = os.getenv("LLM_API_KEY") or os.getenv("OPENAI_API_KEY", "")
+        base_url = os.getenv("LLM_BASE_URL", "")
+        model_name = os.getenv("OPENAI_MODEL", "gpt-4o")
+        
+        if not api_key:
+            self.llm = None
+            self.memories: dict[str, ConversationBufferMemory] = {}
+            return
+        
+        # 如果提供了 base_url，需要处理路径（langchain 会自动添加 /v1/chat/completions）
+        llm_kwargs = {
+            "temperature": 0.7,
+            "model": model_name,
+            "openai_api_key": api_key,
+        }
+        
+        if base_url:
+            # 移除可能的 /v1/chat/completions 路径，langchain 会自动添加
+            if base_url.endswith("/v1/chat/completions"):
+                base_url = base_url[:-20]  # 移除 "/v1/chat/completions"
+            elif base_url.endswith("/v1"):
+                base_url = base_url[:-3]  # 移除 "/v1"
+            # 确保 base_url 以 / 结尾（如果没有）
+            if base_url and not base_url.endswith("/"):
+                base_url += "/"
+            llm_kwargs["openai_api_base"] = base_url
+        
+        try:
+            self.llm = ChatOpenAI(**llm_kwargs)
+        except Exception:
+            self.llm = None
+        
+        # 对话记忆
+        self.memories: dict[str, ConversationBufferMemory] = {}
+        
+        # 对话记忆
+        self.memories: dict[str, ConversationBufferMemory] = {}
+    
+    def _get_memory(self, conversation_id: str) -> ConversationBufferMemory:
+        """获取或创建对话记忆"""
+        if conversation_id not in self.memories:
+            self.memories[conversation_id] = ConversationBufferMemory(
+                return_messages=True,
+                memory_key="history"
+            )
+        return self.memories[conversation_id]
+    
+    def generate_response(
+        self,
+        conversation_id: str,
+        user_message: str,
+        current_stage: Optional[ConversationStage] = None,
+        covered_topics: Optional[List[str]] = None
+    ) -> str:
+        """
+        生成 Agent 回应
+        
+        Args:
+            conversation_id: 对话 ID
+            user_message: 用户消息
+            current_stage: 当前对话阶段
+            covered_topics: 已聊过的话题列表
+        
+        Returns:
+            Agent 回应文本
+        """
+        if current_stage is None:
+            current_stage = ConversationStage.CHILDHOOD
+        
+        if covered_topics is None:
+            covered_topics = []
+        
+        # 如果没有配置 LLM，返回默认回应
+        if not self.llm:
+            return "抱歉，LLM 服务未配置。请设置 LLM_API_KEY 或 OPENAI_API_KEY 环境变量。"
+        
+        # 获取系统提示词
+        system_prompt = get_conversation_prompt(current_stage, covered_topics, user_message)
+        
+        # 获取对话记忆
+        memory = self._get_memory(conversation_id)
+        
+        # 创建对话链
+        prompt_template = PromptTemplate(
+            input_variables=["history", "input"],
+            template=f"{system_prompt}\n\n{{history}}\n\nHuman: {{input}}\n\nAssistant:"
+        )
+        
+        chain = ConversationChain(
+            llm=self.llm,
+            prompt=prompt_template,
+            memory=memory,
+            verbose=False
+        )
+        
+        # 生成回应
+        response = chain.predict(input=user_message)
+        
+        return response
+    
+    def detect_stage(self, conversation_id: str, user_message: str) -> ConversationStage:
+        """
+        检测对话阶段
+        
+        Args:
+            conversation_id: 对话 ID
+            user_message: 用户消息
+        
+        Returns:
+            检测到的对话阶段
+        """
+        # 简单的关键词检测（实际应该使用更智能的方法）
+        message_lower = user_message.lower()
+        
+        if any(word in message_lower for word in ["童年", "小时候", "出生", "家庭背景"]):
+            return ConversationStage.CHILDHOOD
+        elif any(word in message_lower for word in ["上学", "学校", "老师", "同学", "教育"]):
+            return ConversationStage.EDUCATION
+        elif any(word in message_lower for word in ["工作", "职业", "事业", "公司", "同事"]):
+            return ConversationStage.CAREER
+        elif any(word in message_lower for word in ["伴侣", "孩子", "家庭", "家人", "结婚"]):
+            return ConversationStage.FAMILY
+        elif any(word in message_lower for word in ["信念", "价值观", "座右铭", "坚持", "原则"]):
+            return ConversationStage.BELIEFS
+        elif any(word in message_lower for word in ["总结", "回顾", "感激", "希望", "未来"]):
+            return ConversationStage.SUMMARY
+        else:
+            # 默认返回当前阶段或童年阶段
+            return ConversationStage.CHILDHOOD
+    
+    def clear_memory(self, conversation_id: str):
+        """清除对话记忆"""
+        if conversation_id in self.memories:
+            del self.memories[conversation_id]
+

api/agents/memory_agent.py

@@ -0,0 +1,193 @@
+"""
+回忆录整理 Agent：基于传记结构，将口语改写为书面语，归类到章节
+"""
+import os
+import json
+from typing import List, Dict, Optional
+from langchain_openai import ChatOpenAI
+from langchain.prompts import PromptTemplate
+
+from .prompts import (
+    get_memory_prompt,
+    get_chapter_classification_prompt,
+    get_text_rewrite_prompt,
+    CHAPTER_CATEGORIES,
+    CHAPTER_ORDER
+)
+
+
+class MemoryAgent:
+    """回忆录整理 Agent"""
+    
+    def __init__(self):
+        # 初始化 LLM
+        # 优先使用 LLM_API_KEY 和 LLM_BASE_URL，如果没有则使用 OPENAI_API_KEY
+        api_key = os.getenv("LLM_API_KEY") or os.getenv("OPENAI_API_KEY", "")
+        base_url = os.getenv("LLM_BASE_URL", "")
+        model_name = os.getenv("OPENAI_MODEL", "gpt-4o")
+        
+        if not api_key:
+            self.llm = None
+            return
+        
+        # 如果提供了 base_url，需要处理路径（langchain 会自动添加 /v1/chat/completions）
+        llm_kwargs = {
+            "temperature": 0.3,  # 较低温度，更稳定
+            "model": model_name,
+            "openai_api_key": api_key,
+        }
+        
+        if base_url:
+            # 移除可能的 /v1/chat/completions 路径，langchain 会自动添加
+            if base_url.endswith("/v1/chat/completions"):
+                base_url = base_url[:-20]  # 移除 "/v1/chat/completions"
+            elif base_url.endswith("/v1"):
+                base_url = base_url[:-3]  # 移除 "/v1"
+            # 确保 base_url 以 / 结尾（如果没有）
+            if base_url and not base_url.endswith("/"):
+                base_url += "/"
+            llm_kwargs["openai_api_base"] = base_url
+        
+        try:
+            self.llm = ChatOpenAI(**llm_kwargs)
+        except Exception:
+            self.llm = None
+    
+    def classify_chapter(self, segments_text: str) -> str:
+        """
+        分类章节
+        
+        Args:
+            segments_text: 对话段落文本
+        
+        Returns:
+            章节类别（如：childhood）
+        """
+        if not self.llm:
+            # 如果没有配置 LLM，返回默认类别
+            return "childhood"
+        
+        prompt = get_chapter_classification_prompt(segments_text)
+        
+        response = self.llm.invoke(prompt)
+        
+        # 提取类别
+        category = response.content.strip().lower()
+        
+        # 验证类别是否有效
+        if category in CHAPTER_CATEGORIES:
+            return category
+        
+        # 默认返回 childhood
+        return "childhood"
+    
+    def rewrite_to_literary(
+        self,
+        segments_text: str,
+        chapter_category: str,
+        existing_content: Optional[str] = None
+    ) -> Dict:
+        """
+        将口语改写为书面语
+        
+        Args:
+            segments_text: 对话段落文本
+            chapter_category: 章节类别
+            existing_content: 已有章节内容（可选）
+        
+        Returns:
+            包含 title, content, summary, image_suggestions 的字典
+        """
+        if not self.llm:
+            # 如果没有配置 LLM，返回基本结构
+            return {
+                "title": CHAPTER_CATEGORIES.get(chapter_category, "章节"),
+                "content": segments_text,
+                "summary": "",
+                "image_suggestions": []
+            }
+        
+        prompt = get_text_rewrite_prompt(segments_text, chapter_category, existing_content or "")
+        
+        response = self.llm.invoke(prompt)
+        
+        # 尝试解析 JSON
+        try:
+            # 提取 JSON 部分
+            content = response.content.strip()
+            # 移除可能的 markdown 代码块标记
+            if content.startswith("```json"):
+                content = content[7:]
+            if content.startswith("```"):
+                content = content[3:]
+            if content.endswith("```"):
+                content = content[:-3]
+            content = content.strip()
+            
+            result = json.loads(content)
+            return result
+        except json.JSONDecodeError:
+            # 如果解析失败，返回基本结构
+            return {
+                "title": CHAPTER_CATEGORIES.get(chapter_category, "章节"),
+                "content": response.content,
+                "summary": "",
+                "image_suggestions": []
+            }
+    
+    def process_segments(
+        self,
+        segments: List[Dict],
+        existing_chapters: Optional[Dict[str, Dict]] = None
+    ) -> Dict[str, Dict]:
+        """
+        处理对话段落，生成或更新章节
+        
+        Args:
+            segments: 对话段落列表，每个包含 transcript_text
+            existing_chapters: 已有章节字典，key 为 category
+        
+        Returns:
+            更新后的章节字典
+        """
+        if existing_chapters is None:
+            existing_chapters = {}
+        
+        # 按章节分类组织段落
+        segments_by_category: Dict[str, List[str]] = {}
+        
+        for segment in segments:
+            text = segment.get("transcript_text", "")
+            if not text:
+                continue
+            
+            # 分类
+            category = self.classify_chapter(text)
+            
+            if category not in segments_by_category:
+                segments_by_category[category] = []
+            
+            segments_by_category[category].append(text)
+        
+        # 为每个类别生成或更新章节
+        updated_chapters = existing_chapters.copy()
+        
+        for category, texts in segments_by_category.items():
+            combined_text = "\n\n".join(texts)
+            existing_content = existing_chapters.get(category, {}).get("content", "")
+            
+            # 改写为书面语
+            result = self.rewrite_to_literary(combined_text, category, existing_content)
+            
+            # 更新章节
+            updated_chapters[category] = {
+                "title": result.get("title", CHAPTER_CATEGORIES.get(category, "章节")),
+                "content": result.get("content", ""),
+                "summary": result.get("summary", ""),
+                "image_suggestions": result.get("image_suggestions", []),
+                "category": category,
+                "order_index": CHAPTER_ORDER.index(category) if category in CHAPTER_ORDER else 999
+            }
+        
+        return updated_chapters
+

api/agents/prompts/__init__.py

@@ -0,0 +1,18 @@
+"""
+提示词模块
+"""
+from .conversation_prompts import ConversationStage, get_system_prompt as get_conversation_prompt, get_questions_for_stage, INTERVIEW_QUESTIONS
+from .memory_prompts import get_system_prompt as get_memory_prompt, get_chapter_classification_prompt, get_text_rewrite_prompt, CHAPTER_CATEGORIES, CHAPTER_ORDER
+
+__all__ = [
+    "ConversationStage",
+    "get_conversation_prompt",
+    "get_questions_for_stage",
+    "INTERVIEW_QUESTIONS",
+    "get_memory_prompt",
+    "get_chapter_classification_prompt",
+    "get_text_rewrite_prompt",
+    "CHAPTER_CATEGORIES",
+    "CHAPTER_ORDER",
+]
+

api/agents/prompts/conversation_prompts.py

@@ -0,0 +1,115 @@
+"""
+对话 Agent 提示词模板和访谈问题库
+"""
+from enum import Enum
+from typing import List, Dict
+
+
+class ConversationStage(str, Enum):
+    """对话阶段枚举"""
+    CHILDHOOD = "childhood"      # 童年
+    EDUCATION = "education"      # 教育
+    CAREER = "career"            # 事业
+    FAMILY = "family"            # 家庭
+    BELIEFS = "beliefs"          # 信念
+    SUMMARY = "summary"          # 人生总结
+
+
+# 访谈问题库
+INTERVIEW_QUESTIONS: Dict[ConversationStage, List[str]] = {
+    ConversationStage.CHILDHOOD: [
+        "你是在哪里长大的？小时候周围的环境是什么样的，有哪些让你印象深刻的童年记忆？",
+        "童年时期的你是个怎样的孩子？有没有做过什么淘气或有趣的事情，现在想起来还会让你发笑？",
+        "能聊聊你小时候的家庭吗？比如父母是怎样的人，他们对你的成长有什么影响吗？",
+        "小时候你有过什么梦想？那时候你最想长大后做什么？",
+    ],
+    ConversationStage.EDUCATION: [
+        "上学的时候你是个怎么样的学生？你喜欢学校生活吗？",
+        "在求学过程中，有没有哪位老师或同学对你影响特别大？能说说他们的故事吗？",
+        "学生时代你参加过什么课外活动或者比赛吗？有没有哪段经历让你特别难忘？",
+        "那时候你对未来有什么打算吗？比如毕业后想从事什么职业，或者希望过怎样的生活？",
+    ],
+    ConversationStage.CAREER: [
+        "第一次走出校园开始工作时，你还记得当时的情景吗？当时你的心情怎么样，有发生什么难忘的事吗？",
+        "你当初是怎么选择进入现在这个行业的？其中有什么契机或故事吗？",
+        "在工作中有没有遇到过特别大的挑战或低谷？当时你是怎么挺过来的？",
+        "职业生涯中有没有哪个成就或时刻让你特别自豪？能跟我分享一下那个故事吗？",
+        "在事业的发展过程中，有哪些重要的转折点？比如跳槽、升职或者创业，这些经历对你意味着什么？",
+        "回顾这一路，有哪些人对你的事业帮助最大或者影响最深？有没有特别想感谢的贵人或伙伴？",
+    ],
+    ConversationStage.FAMILY: [
+        "可以聊聊你和你伴侣的故事吗？你们是怎么认识的，又是什么让你决定与他/她携手一生？",
+        "孩子在你的生活中意味着什么？做父母的过程中，有没有让你特别骄傲或者难忘的瞬间？",
+        "在家庭生活中，有没有什么传统或者特别的习惯，让你感到温馨和快乐？",
+        "平时你和家人喜欢一起做些什么？周末或假日你们通常会怎么度过？",
+        "你觉得家庭在你的人生中扮演了一个怎样的角色？",
+        "工作和家庭要怎么兼顾呢？你是如何平衡事业和家庭的？在两边兼顾的时候有没有遇到困难，后来又是怎么克服的？",
+    ],
+    ConversationStage.BELIEFS: [
+        "你人生中有没有一些一直坚守的信念或者座右铭？这些信念给了你怎样的力量或者影响？",
+        "对你来说，哪些价值观是最重要的？这些价值观是受到哪些人或经历的影响而形成的呢？",
+        "当你遇到困难和低谷的时候，是什么支撑着你坚持下去？",
+        "你如何看待‘成功’和‘幸福’？对你来说它们分别意味着什么？",
+    ],
+    ConversationStage.SUMMARY: [
+        "回顾你走过的路，你觉得这一生中最重要的经验或教训是什么？",
+        "在你的生活中，你最感激的人和事有哪些？有没有特别觉得自己很幸运的地方？",
+        "如果能对年轻时候的自己说几句话，你会想告诉他/她什么？",
+        "展望未来，你还有什么愿望或目标吗？有没有一直想尝试但还没来得及做的事情？",
+        "最后，你希望家人和后代记住你是一个怎样的人？",
+    ],
+}
+
+
+def get_system_prompt(current_stage: ConversationStage, covered_topics: List[str], user_latest_response: str) -> str:
+    """
+    生成对话 Agent 的系统提示词
+    
+    Args:
+        current_stage: 当前对话阶段
+        covered_topics: 已聊过的话题列表
+        user_latest_response: 用户最新回答
+    
+    Returns:
+        系统提示词字符串
+    """
+    stage_name_map = {
+        ConversationStage.CHILDHOOD: "童年",
+        ConversationStage.EDUCATION: "教育",
+        ConversationStage.CAREER: "事业",
+        ConversationStage.FAMILY: "家庭",
+        ConversationStage.BELIEFS: "信念",
+        ConversationStage.SUMMARY: "人生总结",
+    }
+    
+    covered_topics_str = "、".join(covered_topics) if covered_topics else "暂无"
+    
+    prompt = f"""你是一位专业的人生故事访谈助手，擅长通过轻松自然的对话引导用户讲述他们的人生故事。
+
+你的职责：
+1. 根据用户已讲述的内容，判断当前应处于哪个访谈阶段（童年/教育/事业/家庭/信念/人生总结）
+2. 在用户停顿或完成一个话题后，自然地提出下一个相关问题
+3. 使用温暖、鼓励的语气，让用户感到被倾听和理解
+4. 当用户讲述不够详细时，通过追问引导深入（如："能多说一些关于...的细节吗？"）
+5. 识别对话的自然结束时机，或引导进入下一个阶段
+
+对话原则：
+- 一次只问一个问题，不要连续提问
+- 问题要自然、口语化，避免生硬
+- 根据用户的回答灵活调整，不要机械地按顺序提问
+- 当用户偏离话题时，温和地引导回来
+- 在用户讲述精彩故事时，给予积极反馈（如："这个故事真有意思！"）
+
+当前对话阶段：{stage_name_map.get(current_stage, current_stage.value)}
+已聊话题：{covered_topics_str}
+用户最新回答：{user_latest_response}
+
+请根据以上信息，生成一个自然、温暖的回应或下一个问题。"""
+    
+    return prompt
+
+
+def get_questions_for_stage(stage: ConversationStage) -> List[str]:
+    """获取指定阶段的所有问题"""
+    return INTERVIEW_QUESTIONS.get(stage, [])
+

api/agents/prompts/memory_prompts.py

@@ -0,0 +1,108 @@
+"""
+回忆录整理 Agent 提示词模板
+"""
+
+# 章节分类映射
+CHAPTER_CATEGORIES = {
+    "childhood": "童年与成长背景",
+    "education": "教育经历与青年时期",
+    "career_early": "崭露头角",
+    "career_achievement": "主要成就与巅峰时刻",
+    "career_challenge": "挫折、挑战与重大转折",
+    "family": "家庭与情感",
+    "beliefs": "信念与价值观",
+    "summary": "人生总结",
+}
+
+# 章节顺序
+CHAPTER_ORDER = [
+    "childhood",
+    "education",
+    "career_early",
+    "career_achievement",
+    "career_challenge",
+    "family",
+    "beliefs",
+    "summary",
+]
+
+
+def get_system_prompt() -> str:
+    """获取整理 Agent 的系统提示词"""
+    return """你是一位专业的传记作家和文字编辑，擅长将口语化的对话内容整理成优雅的书面语回忆录章节。
+
+你的任务：
+1. 接收对话段落文本（口语化）
+2. 识别内容主题，归类到对应章节（童年/教育/事业/家庭/信念/总结）
+3. 将口语化表达改写为书面语，保持原意和情感
+4. 生成合适的章节标题和段落结构
+5. 提取关键信息，形成连贯的叙述
+6. 建议插图位置（在描述场景、人物、地点的地方）
+
+改写原则：
+- 保持用户的真实声音和情感
+- 使用优雅但不失亲切的书面语
+- 适当添加过渡句，使段落连贯
+- 保留生动的细节和对话
+- 去除口语中的"嗯"、"那个"等填充词
+- 保持时间顺序和逻辑清晰
+
+章节分类规则：
+- 童年相关 → "童年与成长背景"
+- 学校、老师、同学 → "教育经历与青年时期"
+- 工作、职业、成就 → "主要成就与巅峰时刻" 或 "崭露头角"
+- 困难、挫折 → "挫折、挑战与重大转折"
+- 伴侣、孩子、家庭生活 → "家庭与情感"
+- 价值观、信念、座右铭 → "信念与价值观"
+- 总结、感悟、展望 → "人生总结"
+"""
+
+
+def get_chapter_classification_prompt(segments_text: str) -> str:
+    """获取章节分类的提示词"""
+    return f"""{get_system_prompt()}
+
+请分析以下对话内容，判断应该归类到哪个章节类别：
+- childhood: 童年与成长背景
+- education: 教育经历与青年时期
+- career_early: 崭露头角（早期事业）
+- career_achievement: 主要成就与巅峰时刻
+- career_challenge: 挫折、挑战与重大转折
+- family: 家庭与情感
+- beliefs: 信念与价值观
+- summary: 人生总结
+
+对话内容：
+{segments_text}
+
+请只返回章节类别（如：childhood），不要返回其他内容。"""
+
+
+def get_text_rewrite_prompt(segments_text: str, chapter_category: str, existing_content: str = "") -> str:
+    """获取文本改写的提示词"""
+    chapter_name = CHAPTER_CATEGORIES.get(chapter_category, chapter_category)
+    
+    existing_section = f"\n\n已有章节内容：\n{existing_content}" if existing_content else ""
+    
+    return f"""{get_system_prompt()}
+
+请将以下口语化的对话内容改写为书面语，归类到"{chapter_name}"章节。
+
+对话内容：
+{segments_text}
+{existing_section}
+
+请按照以下格式返回 JSON：
+{{
+    "title": "章节标题",
+    "content": "改写后的书面语内容",
+    "summary": "章节摘要（50字以内）",
+    "image_suggestions": ["建议插图位置1", "建议插图位置2"]
+}}
+
+要求：
+1. 标题要简洁有力，能概括章节主题
+2. 内容要流畅自然，保持原意和情感
+3. 如果已有章节内容，请将新内容与已有内容自然融合
+4. 建议插图位置要具体（如："描述老家门口那条路的段落"）"""
+